23.04.2026
Петр Хвесюк (руководитель ML-направления Nord Clan)

На практике большинство AI-проектов буксует уже после пилота

ИИ по-прежнему продают как универсальное решение, но на практике большинство проектов буксует уже после пилота. Разрыв между обещаниями и реальностью приводит к тому, что бизнес теряет деньги, время и доверие к технологии. Петр Хвесюк, руководитель ML-направления Nord Clan, разбирает типовые причины провалов ИИ-проектов на рынке и объясняет, где именно компании чаще всего ломают внедрение. В интервью он показывает, почему ИИ «не взлетает» и какие управленческие ошибки к этому приводят.

Сегодня вокруг ИИ много ожиданий и громких обещаний. Какие ключевые стоп-факторы на практике чаще всего мешают проектам “взлететь”, о которых заказчики обычно узнают уже после старта?

Самые болезненные сюрпризы, о которых мы обычно предупреждаем заранее, на практике довольно предсказуемы — хотя «продавцы чудес» о них часто молчат. Во-первых, это голод данных: нейросети не учатся по картинкам из Google, им нужны реальные данные конкретной компании — транзакции, фотографии полок, видеопотоки, данные о выкладке и остатках. Если данных мало или они плохо структурированы, модель просто не сможет обучиться, и внедрение затягивается на месяцы.

Вторая проблема — разрыв между пилотом и масштабированием. В презентациях ИИ обычно показывают на одном объекте или небольшой выборке. Когда решение начинают масштабировать на разные линии, магазины или склады, всплывают различия в камерах, процессах и качестве данных. В итоге система, которая в пилоте работала стабильно, в реальной эксплуатации начинает давать сбои или требует полной переработки.

Третий стоп-фактор — дрейф концепции. Например, на производстве модель обучили на дефектах прошлого года, но поменялся поставщик, износилось оборудование или модернизировали линию — и брак начинает выглядеть иначе. В ритейле постоянно меняются ассортимент, акции и поведение покупателей. В итоге система, которая вчера работала стабильно, сегодня может давать сбои, поэтому важно заранее закладывать бюджет на поддержку и дообучение.

Дальше — отказоустойчивость. Если ИИ встроен в критический процесс, например управляет отбраковкой, его отказ означает либо остановку линии, либо выпуск брака. При этом бизнес редко закладывает ресурсы на «горячий резерв», хотя без этого внедрение становится рискованным.

И, наконец, человек в процессе. Идея «заменим всех контролеров ИИ» на практике не работает. Алгоритм хорошо справляется с поиском аномалий, но ложные срабатывания неизбежны. Лучшие результаты дают модели, где ИИ обрабатывает большой поток данных, а человек принимает решения и дообучает систему. Такой баланс сил позволяет использовать возможности обеих сторон — масштаб и скорость алгоритма и контекстное понимание человека.

Почему сегодня интерес к ИИ на уровне заявлений часто не совпадает с реальными результатами внедрений? Это вопрос зрелости бизнеса или ограничений самой технологии?

Скорее речь идет о зрелости бизнеса. Сама технология уже достаточно взрослая и способна решать реальные задачи, но бизнес к ней идеологически не готов.

Приведу пример из нашего опыта с производителями куриного мяса. Задача была — контролировать, нажал ли оператор кнопку взвешивания для каждой третьей курицы. Если делать это по-взрослому, с ИИ, система сама должна видеть тушку и подавать сигнал на весы, полностью убирая человеческий фактор. Но бизнес не всегда готов менять процесс: в этом случае хотели просто поставить камеру и смотреть, нажимает ли человек кнопку. Это не внедрение ИИ, это цифровой надзор.

Похожая ситуация и в ритейле: компания может внедрить видеоаналитику для контроля выкладки, но не изменить процесс реагирования. Система фиксирует ошибки, но никакого эффекта это не дает, потому что данные не используются в операционной работе.

Наилучший эффект ИИ дает в тех случаях, когда бизнес начинает пересматривать процессы с учетом возможностей технологии, а не использует ее только как инструмент контроля.

Можно ли сегодня говорить о кризисе доверия к ИИ со стороны топ-менеджмента?

Да, безусловно. И во многом он спровоцирован теми, кто продавал рынку «волшебную таблетку». Первые лица уже наслушались обещаний от интеграторов, которые добавляют «AI inside» к обычным системам и выдают это за прорыв.

В итоге возникает разрыв между красивым питчем и реальностью. Логика у руководителей простая: обещали кратный рост эффективности или снижение потерь, а на практике получили датчик или алгоритм, который решает одну узкую задачу и работает нестабильно.

Чтобы вернуть доверие, рынку нужна прозрачность. Благонадежные сервис провайдеры сразу говорят, что нейросеть не заменит людей, она станет их инструментом. Честность и прозрачность в коммуникациях с первыми лицами снижают завышенные ожидания. При этом сильно повышается вероятность того, что проект действительно даст результат.

Как вы уже отметили, часто ИИ отлично показывает себя в пилоте, но до реального внедрения дело так и не доходит. На каком этапе и почему компании чаще всего спотыкаются?

Основные сложности возникают в момент перехода от пилота к реальному внедрению.

В тесте система работает на небольшой выборке данных и в контролируемых условиях. Когда ее начинают встраивать в реальные процессы и инфраструктуру компании, становится понятно, что пилот не учитывал ряд технических и организационных ограничений.

На физическом уровне в тесте все просто — условный патч-корд. В реальности камеры пытаются подключить к существующей локальной сети, и начинаются потери кадров и джиттер. Видеопоток требует выделенной изолированной сети — оптика или медь 10G, иначе стабильной работы не будет.

Второй момент — синхронизация. В пилоте детекция идет на статичных файлах, а в продакшене камера должна срабатывать строго по сигналу от энкодера или лазерного датчика. Если сигнал не заведен или нестабилен, система либо пропускает события, либо фиксирует пустоту.

И третий важный момент — обратная связь. Даже если система находит проблему, это должно быть встроено в бизнес-процесс. Сам по себе сигнал ничего не дает, если не понятно, кто и как на него реагирует. В производстве это может быть команда на отбраковку или сигнал в систему управления линией. Если такие действия не продуманы, система превращается в дорогую сигнализацию, которая не влияет на результат.

В итоге проект «умирает» не из-за нейросети, а из-за отсутствия инфраструктуры, синхронизации и встроенного процесса реакции.

Какой главный совет вы бы дали CEO, которые в 2026 году планируют запуск своего первого ИИ-проекта?

Не выбирайте технологию — выбирайте команду. Нейросеть сегодня действительно может обучить кто угодно. А вот встроить ее в реальный процесс так, чтобы она стабильно работала в инфраструктуре компании и реально влияла на операционные показатели, — это уже инженерная и организационная задача. Именно на переходе от пилота к реальному внедрению и происходит большинство провалов.

Мы этот путь уже проходили на практике: работаем не только с моделью, но и с реальной средой. Надежные команды выезжают на площадку, смотрят инфраструктуру, проверяют сигналы, проектируют решение под конкретные условия. Такой подход к запуску ИИ позволяет сразу учитывать ограничения и понимать, как система будет работать вне теста, в реальном процессе.

В итоге ориентироваться стоит не на тех, кто красиво рассказывает про нейросети, а на тех, кто может объяснить, как решение будет функционировать в вашем бизнесе и какие требования к этому есть. Такой команде можно доверять.

Подписывайтесь на наши новости в MAX >>> 

Читайте нас на VK >>>





Рейтинг статьи